Hugging Face Hub

开源机器学习的协作与分发平台：模型、数据集、Spaces（Demo）的集散地；也支持团队私有协作。

它是做什么的

托管基于 Git 的仓库（版本历史、分支、PR/讨论、差异），大文件走 Xet 等存储后端以加速上传下载；另有 Storage Buckets，适合不需要完整 Git 历史的 checkpoint、日志等对象。官方文档将 Hub 描述为开放 ML 的参考平台：可发现并使用大量公开模型、数据集与 AI 应用（Spaces）——具体体量以文档首页当前表述为准。也提供 Inference Providers、浏览器 Widget、组织与权限、Jobs，以及面向 agent 的 CLI/MCP/Skills 等能力（见文档目录，功能随时间增减）。多数开源训练与推理项目默认从这里拉权重与数据；上传时同样走同一套仓库与 Token 体系。

要点

• Models：权重 + Model Card（用途、限制、偏差、评测等）；可挂推理 Widget；程序化可用 Inference Providers
• Datasets：Dataset Card + 浏览器内 Data Studio；datasets 库可一行加载，过大可用 streaming，不必整包落盘
• Spaces：用 Gradio / Streamlit、静态页或 Docker 托管 Demo；可按需选用加速硬件（文档介绍 ZeroGPU 等选项）
• 库集成：Transformers、diffusers 等十余种库可直接下载/上传；仓库支持 Collections、Webhooks 等
• 协作与安全：Organizations 与角色、User Access Token、门控（gated）模型/数据集、私有仓；另有 Storage Buckets 做非 Git 的对象存储（checkpoint、日志等）

适合谁

• 选开源模型、对比模型卡、许可与硬件需求
• 找数据集、在线 Demo，或把训练产物推回 Hub 复现
• 用 Transformers / huggingface_hub 做下载、上传与 CI 集成

官方入口

• Hub 首页
• Hub 文档
• Models
• Datasets
• Spaces
• 下载模型

建议怎么用

1. 在 Models 按任务、模态、体量筛选，先读 Model Card：许可、参数量/硬件提示、示例代码、是否 gated、已知局限与评测。许可不合规就不要下权重。
2. 本机：创建 Access Token 后执行 hf auth login（gated 与私有仓必需）→ 用 Transformers / huggingface_hub 的下载 API；注意本地 cache 目录体积会涨得很快。
3. 不确定效果时，先开 Spaces 或页面上的 Inference Widget 试一把，再决定本地下载或接 Inference Providers。大数据集优先确认能否 streaming、字段是否匹配任务，避免整包下完才发现不合用。